Vous avez construit un modèle XGBoost pour prédire si un client retournera un achat. Seulement 5 % des exemples sont des retours. Vous devez maximiser la détection des articles retournés tout en travaillant avec un petit budget de calcul. Quelle est l'approche de réglage des hyperparamètres la plus rentable ?

La bonne réponse est de n'ajuster que les hyperparamètres class-weight et scaleposweight avec l'AMT, en optimisant la métrique validation:f1. Étant donné le déséquilibre de classe (seulement 5 % de retours) et un budget de calcul limité, il est crucial de se concentrer sur les hyperparamètres qui traitent directement le déséquilibre et d'utiliser une métrique appropriée. class-weight et scaleposweight sont spécifiquement conçus pour gérer les données déséquilibrées dans XGBoost. La métrique F1 est idéale pour les ensembles de données déséquilibrés car elle combine la précision et le rappel, ce qui est plus pertinent que la précision pour détecter la classe minoritaire. Optimiser tous les hyperparamètres possibles est coûteux en calcul. Minimiser la métrique F1 est incorrect car l'objectif est de maximiser la détection des retours.